تدريب نموذجي مع Ultralytics YOLO

مقدمة

Training a deep learning model involves feeding it data and adjusting its parameters so that it can make accurate predictions. Train mode in Ultralytics YOLO11 is engineered for effective and efficient training of object detection models, fully utilizing modern hardware capabilities. This guide aims to cover all the details you need to get started with training your own models using YOLO11's robust set of features.

شاهد: How to Train a YOLO model on Your Custom Dataset in Google Colab.

لماذا تختار Ultralytics YOLO للتدريب؟

Here are some compelling reasons to opt for YOLO11's Train mode:

• الكفاءة: حقق أقصى استفادة من أجهزتك، سواء كنت تستخدم إعدادًا واحدًا علىGPU أو تتوسع عبر وحدات معالجة رسومات متعددة.
• براعه: تدرب على مجموعات البيانات المخصصة بالإضافة إلى المجموعات المتاحة بسهولة مثل COCO و VOC و ImageNet.
• سهل الاستخدام: بسيطة لكنها قوية CLI و Python واجهات لتجربة تدريب مباشرة.
• مرونة المعلمات الفائقة: مجموعة واسعة من المعلمات الفائقة القابلة للتخصيص لضبط أداء النموذج.

الميزات الرئيسية لوضع القطار

The following are some notable features of YOLO11's Train mode:

• تنزيل مجموعة البيانات تلقائيا: يتم تنزيل مجموعات البيانات القياسية مثل COCO و VOC و ImageNet تلقائيا عند الاستخدام الأول.
• دعم متعددGPU : قم بتوسيع نطاق جهودك التدريبية بسلاسة عبر وحدات معالجة رسومات متعددة لتسريع العملية.
• تكوين المعلمات الفائقة: خيار تعديل المعلمات الفائقة من خلال ملفات تكوين YAML أو CLI الحجج.
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي وتصور عملية التعلم للحصول على رؤى أفضل.

أمثلة الاستخدام

Train YOLO11n on the COCO8 dataset for 100 epochs at image size 640. The training device can be specified using the device الوسيطة. إذا لم يتم تمرير أي وسيطة GPU device=0 سيتم استخدامها إذا كانت متوفرة ، وإلا device='cpu' سيتم استخدامها. راجع قسم الحجج أدناه للحصول على قائمة كاملة بوسيطات التدريب.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

تدريب متعددGPU

يسمح التدريب المتعددGPU باستخدام أكثر كفاءة لموارد الأجهزة المتاحة من خلال توزيع حمل التدريب على وحدات معالجة رسومات متعددة. تتوفر هذه الميزة من خلال كل من واجهة برمجة التطبيقات Python وواجهة سطر الأوامر. لتمكين التدريب المتعددGPU ، حدد معرّفات الأجهزة GPU التي ترغب في استخدامها.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])

# Start training from a pretrained *.pt model using GPUs 0 and 1
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=0,1

تدريب Apple M1 و M2 MPS Apple M1 و M2

مع دعم رقاقات Apple M1 و M2 المدمجة في طرازي Ultralytics YOLO ، أصبح من الممكن الآن تدريب نماذجك على الأجهزة التي تستخدم إطار عمل الأداء المعدني القوي (MPS). يوفر MPS طريقة عالية الأداء لتنفيذ مهام الحوسبة ومعالجة الصور على السيليكون المخصص من Apple.

لتمكين التدريب على رقاقات Apple M1 و M2، يجب عليك تحديد "mps" كجهازك عند بدء عملية التدريب. فيما يلي مثال على كيفية القيام بذلك في Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model with MPS
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

# Start training from a pretrained *.pt model using MPS
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

مع الاستفادة من القوة الحاسوبية لشرائح M1/M2، مما يتيح معالجة أكثر كفاءة لمهام التدريب. للحصول على مزيد من الإرشادات التفصيلية وخيارات التكوين المتقدمة، يُرجى الرجوع إلى وثائقPyTorch MPS .

استئناف التدريبات المتقطعة

يعد استئناف التدريب من حالة محفوظة مسبقا ميزة حاسمة عند العمل مع نماذج التعلم العميق. يمكن أن يكون هذا مفيدا في سيناريوهات مختلفة ، مثل عندما تتم مقاطعة عملية التدريب بشكل غير متوقع ، أو عندما ترغب في مواصلة تدريب نموذج ببيانات جديدة أو لمزيد من العصور.

When training is resumed, Ultralytics YOLO loads the weights from the last saved model and also restores the optimizer state, learning rate scheduler, and the epoch number. This allows you to continue the training process seamlessly from where it was left off.

يمكنك بسهولة استئناف التدريب في Ultralytics YOLO عن طريق تعيين resume حجة ل True عند الاتصال ب train ، وتحديد المسار إلى .pt ملف يحتوي على أوزان النموذج المدربة جزئيا.

فيما يلي مثال على كيفية استئناف التدريب المتقطع باستخدام Python وعبر سطر الأوامر:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/last.pt")  # load a partially trained model

# Resume training
results = model.train(resume=True)

# Resume an interrupted training
yolo train resume model=path/to/last.pt

عن طريق الإعداد resume=Trueال train ستواصل الوظيفة التدريب من حيث توقفت ، باستخدام الحالة المخزنة في ملف "المسار / إلى / last.pt". إذا كان resume تم حذف الوسيطة أو تعيينها إلى Falseال train ستبدأ وظيفة دورة تدريبية جديدة.

Remember that checkpoints are saved at the end of every epoch by default, or at fixed intervals using the save_period وسيطة ، لذلك يجب عليك إكمال حقبة 1 على الأقل لاستئناف تشغيل التدريب.

إعدادات القطار

The training settings for YOLO models encompass various hyperparameters and configurations used during the training process. These settings influence the model's performance, speed, and accuracy. Key training settings include batch size, learning rate, momentum, and weight decay. Additionally, the choice of optimizer, loss function, and training dataset composition can impact the training process. Careful tuning and experimentation with these settings are crucial for optimizing performance.

إعدادات التعزيز والمعلمات الفائقة

Augmentation techniques are essential for improving the robustness and performance of YOLO models by introducing variability into the training data, helping the model generalize better to unseen data. The following table outlines the purpose and effect of each augmentation argument:

يمكن ضبط هذه الإعدادات لتلبية المتطلبات المحددة لمجموعة البيانات والمهمة المطروحة. يمكن أن تساعد تجربة قيم مختلفة في العثور على استراتيجية التعزيز المثلى التي تؤدي إلى أفضل أداء للنموذج.

تسجيل

In training a YOLO11 model, you might find it valuable to keep track of the model's performance over time. This is where logging comes into play. Ultralytics' YOLO provides support for three types of loggers - Comet, ClearML, and TensorBoard.

لاستخدام مسجل ، حدده من القائمة المنسدلة في مقتطف الشفرة أعلاه وقم بتشغيله. سيتم تثبيت المسجل المختار وتهيئته.

Comet

Comet هي منصة تسمح لعلماء البيانات والمطورين بتتبع التجارب والنماذج ومقارنتها وشرحها وتحسينها. يوفر وظائف مثل المقاييس في الوقت الفعلي ، واختلافات التعليمات البرمجية ، وتتبع المعلمات الفائقة.

لاستخدام Comet:

# pip install comet_ml
import comet_ml

comet_ml.init()

تذكر تسجيل الدخول إلى Comet على موقع الويب الخاص بهم والحصول على مفتاح API الخاص بك. ستحتاج إلى إضافة هذا إلى متغيرات البيئة أو البرنامج النصي لتسجيل تجاربك.

ClearML

ClearML هي منصة مفتوحة المصدر تعمل على أتمتة تتبع التجارب وتساعد في المشاركة الفعالة للموارد. إنه مصمم لمساعدة الفرق على إدارة أعمال التعلم الآلي وتنفيذها وإعادة إنتاجها بشكل أكثر كفاءة.

لاستخدام ClearML:

# pip install clearml
import clearml

clearml.browser_login()

بعد تشغيل هذا البرنامج النصي ، ستحتاج إلى تسجيل الدخول إلى ClearML على المتصفح ومصادقة جلستك.

تينسور بورد

TensorBoard is a visualization toolkit for TensorFlow. It allows you to visualize your TensorFlow graph, plot quantitative metrics about the execution of your graph, and show additional data like images that pass through it.

لاستخدام TensorBoard في Google Colab:

load_ext tensorboard
tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

لاستخدام TensorBoard محليا ، قم بتشغيل الأمر أدناه وعرض النتائج في http://localhost:6006/.

tensorboard --logdir ultralytics/runs  # replace with 'runs' directory

سيؤدي هذا إلى تحميل TensorBoard وتوجيهه إلى الدليل حيث يتم حفظ سجلات التدريب الخاصة بك.

بعد إعداد المسجل الخاص بك ، يمكنك بعد ذلك متابعة تدريب النموذج الخاص بك. سيتم تسجيل جميع مقاييس التدريب تلقائيا في النظام الأساسي الذي اخترته ، ويمكنك الوصول إلى هذه السجلات لمراقبة أداء نموذجك بمرور الوقت ، ومقارنة النماذج المختلفة ، وتحديد مجالات التحسين.

الأسئلة المتداولة

How do I train an object detection model using Ultralytics YOLO11?

To train an object detection model using Ultralytics YOLO11, you can either use the Python API or the CLI. Below is an example for both:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

لمزيد من التفاصيل، راجع قسم إعدادات القطار.

What are the key features of Ultralytics YOLO11's Train mode?

The key features of Ultralytics YOLO11's Train mode include:

• تنزيل مجموعة البيانات تلقائيًا: تنزيل مجموعات البيانات القياسية تلقائيًا مثل COCO و VOC و ImageNet.
• دعم متعددGPU : توسيع نطاق التدريب عبر وحدات معالجة رسومات متعددة لمعالجة أسرع.
• تكوين المعرفات التشعبية: تخصيص المعلمات التشعبية من خلال ملفات YAML أو الوسيطات CLI .
• التصور والمراقبة: تتبع مقاييس التدريب في الوقت الفعلي للحصول على رؤى أفضل.

هذه الميزات تجعل التدريب فعالاً وقابلاً للتخصيص حسب احتياجاتك. لمزيد من التفاصيل، راجع قسم الميزات الرئيسية لوضع التدريب.

How do I resume training from an interrupted session in Ultralytics YOLO11?

لاستئناف التدريب من جلسة متقطعة، قم بتعيين resume حجة ل True وتحديد المسار إلى آخر نقطة تفتيش محفوظة.

from ultralytics import YOLO

# Load the partially trained model
model = YOLO("path/to/last.pt")

# Resume training
results = model.train(resume=True)

yolo train resume model=path/to/last.pt

راجع القسم الخاص باستئناف التدريبات المتقطعة لمزيد من المعلومات.

Can I train YOLO11 models on Apple M1 and M2 chips?

Yes, Ultralytics YOLO11 supports training on Apple M1 and M2 chips utilizing the Metal Performance Shaders (MPS) framework. Specify 'mps' as your training device.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model on M1/M2 chip
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="mps")

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640 device=mps

للمزيد من التفاصيل، راجع قسم التدريب على Apple M1 و M2 MPS .

ما هي إعدادات التدريب الشائعة، وكيف يمكنني تهيئتها؟

Ultralytics YOLO11 allows you to configure a variety of training settings such as batch size, learning rate, epochs, and more through arguments. Here's a brief overview:

للحصول على دليل متعمق حول إعدادات التدريب، راجع قسم إعدادات التدريب.

📅 Created 11 months ago ✏️ Updated 13 days ago

التعليقات